Presentamos un marco de modelado surrogado impulsado por CFD que integra un Autoencoder Convolucional (CAE) con una Red Neuronal Profunda (DNN) para la predicción rápida de entornos de viento urbano y su uso posterior en la planificación de trayectorias de UAV. Se genera una base de datos CFD de Navier-Stokes promediada por Reynolds (RANS), parametrizada por descriptores de condiciones de contorno, para entrenar el surrogado para la magnitud de la velocidad y la energía cinética turbulenta (TKE). El CAE comprime campos de flujo horizontal en un espacio latente de baja dimensión, proporcionando una representación eficiente de estructuras de flujo complejas. La DNN establece un mapeo de descriptores de entrada al espacio latente, y las reconstrucciones de flujo se obtienen a través del decodificador congelado. La validación contra CFD demuestra que el surrogado captura gradientes de velocidad y distribuciones de TKE con errores absolutos medios por debajo del 1% en la mayor parte del dominio, mientras que las discrepancias residuales permanecen confinadas a regiones cercanas a las paredes. El enfoque produce un aumento de velocidad computacional de aproximadamente 4000x en relación con CFD, lo que permite su implementación en hardware embebido o de borde. Para la planificación de rutas, el dominio se discretiza como un grafo de k-Vecinos Más Cercanos No Alineados (k-NANN), y un algoritmo de búsqueda A* incorpora restricciones de rumbo y umbrales de TKE basados en el surrogado. La tubería integrada produce trayectorias dinámicamente viables y conscientes de la turbulencia, avanzando en la integración de predicciones de flujo de alta fidelidad en los marcos de decisión de movilidad aérea urbana.